تحلیل داده‌ها با استفاده از SmartPLS

15

در این بخش، روش‌های آزمون اثرات تعدیل‌گری متغیرهای طبقه‌بندی (مانند جنسیت، نوع سازمان، رتبه شغلی) در نرم‌افزار SmartPLS آموزش داده می‌شود. دو رویکرد اصلی شامل «شاخص محصول» (برای متغیرهای بازتابی) و «روش دو مرحله‌ای» (برای متغیرهای تکوینی) پوشش داده شده است. همچنین نحوه تفسیر ضرایب، بررسی معناداری با بوتاسترپینگ، محاسبه اندازه اثر (f²) و رسم نمودار تعامل برای مقایسه شیب گروه‌های مختلف گا‌م‌به‌گام توضیح داده شده است.

درک اصول تجزیه و تحلیل داده ها را با SmartPLS

SmartPLS ممکن است یک برنامه کامپیوتری با رابط کاربری گرافیکی برای مدل‌سازی شرایط پایه مبتنی بر واریانس با استفاده از استراتژی مدل‌سازی کوچکترین مربعات جزئی باشد. تعدادی از محققان و دانش‌پژوهان از SmartPLS برای بررسی اطلاعات و تحلیل داده ها در تحقیقات خود در مورد مطالعات استفاده می‌کنند.

در SEM، یک نمایش برای کیفیت معیارها و دیگری برای ارتباط متقابل بین متغیر ها  (مدل ساختاری) امتحان می شود. در این مقاله به تفصیل درباره تخمین و مدل پایه صحبت می شود.

برآورد نمایش اندازه‌ گیری

مدل اندازه گیری نشان‌دهنده ارزیابی کیفیت سازه ‌ها از جمله قابلیت اطمینان است. گفته می‌شود اندازه‌گیری اگر نتایج مشابهی را در شرایط یکسان ایجاد کند، کیفیت تزلزل‌ناپذیر بالایی دارد. با استفاده از آلفای کرونباخ و قابلیت اطمینان ترکیبی کیفیت تزلزل ناپذیر در SmartPLS کاملا بررسی می شود.

روایی ساختاری

 ارزیابی این است که آیا مقیاس مفهومی را که هدف آن درجه بندی است، اندازه می گیرد یا خیر. مشروعیت ساخت از طریق تنظیم اعتبار همزمان و متمایز بررسی می شود.

مشروعیت همگرا

 مشروعیت همزمان زمانی ایجاد می شود که اقلام در درجه خاصی متمرکز شوند تا به ساختار اولیه همگرا شوند. زمانی که 0.50نرمال Change Extricated (AVE) > باشد، مشروعیت همزمان قابل اندازه گیری تنظیم می شود.

 مشروعیت افتراقی

مشروعیت تشخیصی برای کشف منحصربه‌فرد بودن توسعه‌های درون تفکر تنظیم می‌شود. این نشان می‌دهد که سازه‌های درون تفکر دارای شخصیت فرد صاحب خود هستند و به خوبی با سایر ساختارهای مطالعه مرتبط نیستند.

مشروعیت افتراقی در SMART-PLS با استفاده از سه تکنیک متمایز ایجاد می‌شود:

1- معیار Fornell و Larcker

2- بارگذاری متقاطع

3- نسبت (Heterotrait-Monotrait (HTMT

مدل ساختاری

نمایش بنیادی ساختاری بر بررسی رابطه متقابل بین عوامل متمرکز است. رابطه متقابل ممکن است مانند یک IV و DV (رابطه هماهنگ)، بررسی شفاعت با یک داور در ارتباط بین دو عامل، یا بررسی تعادل با متغیر سومی باشد که رابطه موجود بین دو متغیر را تقویت یا تضعیف می کند.

تمرین‌های آموزشی ویدیویی به بررسی موارد ضروری نحوه برنامه‌ریزی و اجرای نمایش در SmartPLS می‌پردازد. ویدئوها به تشریح موارد و تفسیر آنها بیشتر کمک می کند.

عوامل شاخص طبقه‌ای که از SmartPLS استفاده می‌کنند

 شاخص‌های طبقه‌بندی در SMART-PLS:

گاهی ممکن است محقق(ها) عوامل شاخص طبقه‌بندی را در نمایش خود بگنجانند. توجه به این نکته ضروری است که عوامل طبقه‌بندی را نمی‌توان به‌راحتی در نمایش گنجاند. از آنجایی که دسته ها با اعداد نشان داده می شوند و افزایش یا کاهش در اعداد افزایش یا کاهش را در متغیر درون زا نشان نمی دهد، دسته بندی های درون متغیر باید تغییر کنند. در اینجا مراحلی وجود دارد که فرد باید پس از استفاده از عوامل طبقه بندی شده در SmartPLS انجام دهد.

• برای دسته بندی های درون متغیر، Sham Factors ایجاد کنید. برای مورد، فرض کنید که یک رتبه کاری متغیر با سه دسته (جوانان، میانسالان، بزرگسالان) داشته باشیم. در حال حاضر ما باید دو عامل ساختگی (1n-) ایجاد کنیم. علیرغم این واقعیت که SPSS سه فاکتور ساختگی را به ما می دهد، ما فقط دو متغیر را به مدل خود اضافه می کنیم، سومی به عنوان یک دسته مرجع عمل می کند. ضرایب (تاثیر) متغیر ساختگی با مقوله مرجع مقایسه شده است. (روش ساخت فاکتورهای ساختگی به تفصیل در ویدیوی انتهای یادداشت ها توضیح داده شده است.)

• یک بار فاکتورهای ساختگی ساخته می شوند، برای مثال سه دسته وجود دارد و ما سه فاکتور ساختگی ایجاد کردیم. از بین این سه، ما باید دو تا را در نمایش خود بگنجانیم. در این مورد ما میانسال و بزرگسال را اضافه می کنیم. ما مجذوب ارزیابی تأثیر رتبه کاری بر تعهد هستیم.

• در مرحله بعد، رویه Bootstrapping (بوت استرپینگ یا خودگردان سازی) را اجرا کنید، مطمئن شوید که مسیر را از طرح وزنی انتخاب کرده اید. در اینجا نتایج بوت استرپینگ آمده است.

تفسیر

به نظر می رسد که کارکنان سطح میانسال اساساً تأثیر متفاوتی بر تعهد نسبت به دسته مرجع (سطح خردسال) ندارند، در هر صورت کارمندان سطح ارشد در مقایسه با کارگران سطح پایین (+ive) سطح تعهد بهتری دارند. در صورتی که این یک علامت منفی با ضریب بود، آن را به این صورت ترجمه می‌کردیم، نمایندگان سطوح ارشد در مقایسه با رده مرجع (نمایندگان سطح پایین) تعهد کمتری دارند. این به نظر می رسد که رتبه کاری تا حدی بر تعهد کارگر تأثیر می گذارد، زیرا یکی از رتبه های کاری ناچیز است.

تجزیه و تحلیل تعدیل با متغیرهای طبقه بندی با استفاده از SmartPLS

فرضیه اعتدال

• یک متغیر هدایت کننده، متغیری است که رابطه موجود بین متغیر مستقل و فرعی را تنظیم می کند. علیرغم این واقعیت که MV تحت تأثیر IV نیست، اما بر کیفیت و سیر رابطه بین IV و DV تأثیر می گذارد.

• یک تعدیل کننده طبقه بندی ممکن است یک متغیر هدایت کننده باشد که به دسته ها تقسیم می شود. برای مورد جنسیت، رتبه کاری، نوع بانک.

فرضیه اعتدال رده ای

در این مورد، تئوری را با متغیر طبقه‌ای Sort of Bank که دو اتصال را هدایت می‌کند، آزمایش می‌کنیم. تئوری های پیشنهادی عبارتند از:

 H1: نوع بانک رابطه بین تعهد سازمانی و فرهنگ سازمانی را تعدیل می کند.

H2: نوع بانک رابطه بین حمایت سازمانی ادراک شده و فرهنگ سازمانی را تعدیل می کند.

انواع اثرات متقابل

برای آزمون اثر تعدیل‌گری (تعامل) در SmartPLS، بسته به ماهیت اندازه‌گیری متغیر مستقل و متغیر تعدیلگر، دو رویکرد اصلی وجود دارد:

رویکرد شاخص محصول

هنگامی که IV یا تعدیل کننده یا مدیر به طور انعکاسی اندازه گیری می شود، از رویکرد نشانگر محصول استفاده کنید.

رویکرد دو مرحله ای

از رویکرد نشانگر آیتم رویکرد دو سازماندهی استفاده کنید هنگامی که IV یا داور به صورت شکلی اندازه گیری می شوند، از محصول با رویکرد Two Arrange استفاده کنید.

شرط تولید محصول: در مواردی که داور R-Square طبقه بندی شده باشد، استفاده غیراستاندارد شده است.

R-Square ( مربع – R )

• در اعتدال R-Square تغییر مهم است. یک مدل باید قبل از اضافه شدن اثر متقابل و بعد از اضافه شدن اثر متقابل برای ارزیابی R-Square اجرا شود.

• اندازه افکت مربع –F

• اندازه افکت مربع –F = شامل (.570) – استثنا (.542)

• 02- کوچک

• 015- متوسط

• 035- بزرگ

تفسیر

• برای اینکه به وضوح تشخیص دهیم که چگونه تعامل بر حسب دسته ها متفاوت است، با شمارش تخمین و ماهیت دقیق تأثیر، باید یک نمودار تعامل ترسیم کنیم.

• شیب خط را مرور کنید.

• دسته ای که شیب بیشتر باشد، تاثیر در مورد قوی تر است.

• دانلود Connect (در توضیحات به اشتراک گذاشته شده)

http://www.jeremydawson.co.uk/2-way_with_binary_moderator.xls

تفسیر نمونه – H1

برای جزئیات در مورد نحوه اجرای Control، اگر خیلی سخت نیست، ویدیو را در پایان آموزش مشاهده کنید. بخش کارگردانی قابل توجهی از Sort of Bank در رابطه بین OC و فرهنگ مشارکتی را نشان می دهد. این طرح شیب شدیدتر و مثبتی برای بانک های بخش خصوصی در مقایسه با بانک های بخش دولتی به نظر می رسد. از این رو، به نظر می رسد که تأثیر OC در پرورش فرهنگ مشارکتی در بانک های خصوصی بیشتر از بانک های بخش دولتی است.

تفسیر نمونه – H2

برای جزئیات نحوه اجرای تعادل، اگر مشکل چندانی نیست، ویدیو را در پایان آموزش مشاهده کنید. بخش کارگردانی قابل توجهی از Sort of Bank در رابطه بین POS و فرهنگ مشارکتی را نشان می دهد. نمودار برای بانک‌های دولتی در مقایسه با بانک‌های بخش خصوصی، نمودار شیب شدیدتر و مثبت‌تری به نظر می‌رسد. از این رو، به نظر می‌رسد که تأثیر POS در پرورش فرهنگ مشارکتی در بانک‌های بخش دولتی بیشتر از بانک‌های بخش خصوصی است.

مفهوم ساختارها با رتبه بالاتر

توسعه‌های مرتبه بالاتر (بیش از حد به عنوان مدل‌های مؤلفه‌های پیشرونده در تنظیمات SmartPLS شناخته می‌شوند) سیستمی را در اختیار تحلیلگران قرار می‌دهد تا توسعه‌ای را بر روی یک اندازه‌گیری منحصربه‌فردتر (که به عنوان جزء مرتبه بالاتر اشاره می‌شود) و ابعاد فرعی (که به عنوان اجزای مرتبه پایین تلقی می شود) نشان دهند.

HCM  به توسعه رایج‌تری اشاره می‌کند که در سطح بعدی انتزاعی اندازه‌گیری می‌شود، در حالی که در همان زمان، چند جزء فرعی (اندازه‌گیری) را ارزیابی می‌کند. بنابراین، با نشان دادن مؤلفه‌های مرتبه پایین‌تر، HCM ویژگی‌های بتنی یک متغیر مفهومی رایج‌تر را پوشش می‌دهد (Hair et al. 2018).

مزایا

توسعه های مرتبه بالاتر کمکی را برای کاهش تعداد ارتباطات راهنما ارائه می دهند، به این ترتیب صرفه جویی را نشان می دهند. به جای نشان دادن ارتباطات بین تعداد زیادی ساختار مستقل و وابسته در یک مدل مسیر نشان می دهد.

محققان می‌توانند توسعه‌های مستقل را در یک توسعه مرتبه بالاتر خلاصه کنند و ارتباطات از (در آن نقطه) مؤلفه‌های مرتبه پایین‌تر به توسعه‌های فرعی را در نمایش منسوخ کنند.

علاوه بر این، ساخت‌های با مرتبه بالاتر به غلبه بر وضعیت وفاداری پهنای باند کمک می‌کنند. توافقی که با آن “میان مجموعه ای از داده ها (ظرفیت انتقال) و دقیق بودن آزمایش برای به دست آوردن داده های مطمئن تر (وفاداری)” معاوضه ای وجود دارد.

به طور معمول، سرعت انتقال به عنوان مترادف پیچیدگی و عدم ثبات استفاده می شود. معکوس سرعت انتقال کندی است. از سوی دیگر، وفاداری می تواند مترادف دقت و ویژگی باشد. معکوس دقت، عدم دقت است.

 در نهایت، ساخت‌های با مرتبه بالاتر، با ارائه وسیله ای برای مرتب کردن مجدد نشانگرها و/یا توسعه بر روی ابعاد فرعی انتزاعی متمایز سازه منحصربه‌فرد، دلالتی برای کاهش همخطی نشانگرهای توسعه‌دهنده دارند.

انواع ساختار های مرتبه بالاتر

برای به دست آوردن مزایای طرح‌های مرتب‌سازی بالاتر، تحلیل‌گران باید حداقل سه مسئله را برطرف کنند.

 اول، مفهوم سازی و تعیین سازه مرتبه بالاتر باید بر اساس فرضیه تخمین به خوبی توسعه یافته باشد. در واقع، این مرحله می تواند به اندازه ایجاد یک مقیاس تخمین استفاده نشده چالش برانگیز و تکراری باشد.

 به طور خاص، هنگام اجرای یک توسعه مرتبه بالاتر، تحلیلگران باید آن را انتخاب کنند.

1- برآورد نشان دهنده تعیین مؤلفه های مرتبه پایین تر.

2- رابطه بین مؤلفه مرتبه بالاتر و مؤلفه های مرتبه پایین تر آن است، که هر دو می توانند ماهیت بازتابی یا تکوینی داشته باشند.

در نتیجه، Inquire about چهار نوع ساخت مرتبه بالاتر را پیشنهاد کرده است.

بازتابی( انعکاسی) – بازتابی، بازتابی- تشکیل دهنده(تکوینی)، تشکیل دهنده – بازتابی و تشکیل دهنده-تشکیل دهنده.

 مطالعات قبلی در مورد پیشرفت‌های مرتبه بالاتر در SmartPLS به نظر می‌رسد که انواع مرتب‌بندی بالاتر بازتابی-بازتابی و بازتابی-تشکیل دهنده به طور قابل توجهی در زمینه‌های متعددی وجود دارند.

دوم، تحلیلگران می‌توانند از میان رویکردهای متمایز برای تشخیص ساخت‌های مرتبه بالاتر انتخاب کنند. رویکردهای آشکار، رویکرد اشاره گرهای مجدد یا رویکرد دو مرحله ای است (هیر و همکاران، 2018).

سوم، ارزیابی کیفیت برآورد سازه های مرتبه بالاتر عمیقاً چالش برانگیز است. به عنوان مثال:

1. برخی از سازندگان کیفیت و مشروعیت تزلزل ناپذیر اجزای درجه پایین و اجزای مرتبه بالاتر را بررسی نمی کنند.

2. دیگران به ‌جای بررسی مولفه‌های مرتبه پایین‌تر به‌عنوان اجزای مدل تخمین سازه مرتبه بالاتر، به اشتباه ارتباطات بین مؤلفه‌های مرتبه بالاتر و پایین‌تر را به عنوان روابط نمایشی اصلی ترجمه می‌کنند.

3. محققین به طور منظم مشروعیت متمایز اجزای درجه پایین را تجزیه و تحلیل می کنند، آنها ارزیابی مشروعیت متمایز از ساخت مرتبه بالاتر را به عنوان یک کل نادیده می گیرند.

نحوه اعتبارسنجی مدل سازنده در SmartPLS

ارزیابی تخمین توسعه برای مسائل همخطی نشان می دهد از آنجایی که نشانگرها اساساً قابل تغییر نیستند، روابط بلندی بین نشانگرها در مدل های برآورد توسعه پیش بینی نمی شود. در حقیقت، روابط بلند بین دو نشانگر رشدی به عنوان هم خطی شناخته می‌شود (هیر و همکاران 2014).

سطوح بالای همخطی بین نشانگرهای رشدی مشکل ساز است زیرا آنها بر تخمین وزن ها و اهمیت قابل اندازه گیری آنها تأثیر می گذارند. به منظور ارزیابی سطح همخطی در SmartPLS ، شکل گسترش تغییر (VIF) بررسی شده است.

دو قانون کلی وجود دارد که به طور کلی پذیرفته شده است:

• اگر VIF 5 یا بالاتر باشد، نشان دهنده یک مشکل بالقوه با مشکل هم خطی است (Hair, Ringle & Sarstedt, 2011).

• اگر VIF 3.3 یا بالاتر باشد، نشان دهنده یک مشکل بالقوه با مشکل هم خطی است (Diamantopoulos & Siguaw, 2006).

نتیجه‌گیری

تحلیل تعدیل با متغیرهای طبقه‌ای در SmartPLS یکی از کارآمدترین روش‌ها برای بررسی نقش متغیرهای کیفی در تقویت یا تضعیف روابط بین سازه‌ها است. انتخاب رویکرد مناسب (شاخص محصول یا دو مرحله‌ای) بر اساس ماهیت بازتابی یا تکوینی متغیرها، و همچنین اجرای صحیح بوتاسترپینگ برای ارزیابی معناداری اثرات تعاملی، از ارکان اصلی این تحلیل محسوب می‌شود.

افزون بر این، محاسبه اندازه اثر (f²) و ترسیم نمودار تعامل به محقق کمک می‌کند تا شدت و جهت تأثیر تعدیل‌گر را در گروه‌های مختلف (مانند دولتی در مقابل خصوصی) به وضوح مقایسه کند. در مجموع، به‌ کارگیری صحیح این تکنیک در SmartPLS امکان آزمون فرضیه‌های پیچیده تعدیل‌گری را با دقت بالا و خروجی‌های تفسیرپذیر فراهم می‌آورد و اعتبار مدل ساختاری را به شکل چشم‌گیری افزایش می‌دهد.

سوالات متداول